Main Content

System Identification Toolbox

Erstellen linearer und nicht linearer dynamischer Systemmodelle mithilfe von Eingangs-/Ausgangsdaten

Die System Identification Toolbox™ stellt MATLAB®-Funktionen, Simulink®-Blöcke und eine App für die dynamische Systemmodellierung, für Zeitreihenanalysen und für Prognosen zur Verfügung. Sie können dynamische Beziehungen zwischen gemessenen Variablen erkennen, um zeitkontinuierliche oder zeitdiskrete Transferfunktionen, Prozessmodelle und Zustandsraummodelle zu erstellen, während Sie Zeit- oder Frequenzdomänendaten verwenden. Sie können mithilfe von AR, ARMA und anderen linearen sowie nicht linearen autoregressiven Modellierungstechniken Zeitreihendaten vorhersagen.

Die Toolbox ermöglicht Ihnen die Schätzung nicht linearer Systemdynamik mithilfe von Hammerstein-Wiener- und nichtlinearen ARX-Modellen mit Machine-Learning-Techniken wie Gaußschen Prozessen (GP), Support Vector Machines (SVM) und anderen Darstellungen. Alternativ können Sie neuronale Ordinary-Differential-Equation(ODE)-Modelle (gewöhnliche Differenzengleichungsmodelle) erstellen, um mithilfe von Deep Learning nicht lineare Systemdynamiken zu erfassen. Die Toolbox ermöglicht Ihnen die Ausführung einer Grey-Box-Systemidentifikation zum Schätzen von Parametern eines benutzerdefinierten Modells. Für schnelle Simulationen können Sie identifizierte Modelle in Simulink integrieren, um Anwendungen für Steuerungsentwicklung, Diagnosen und Vorhersagen erstellen zu können.

Sie können Online-Schätzungen für Parameter und Zustände ausführen und dafür erweiterte oder unscented Kalman-Filter und Partikelfilter für adaptive Steuerungs-, Fehlererkennungs- und Softsensoranwendungen verwenden. Mit der Toolbox können Sie Code in den Programmiersprachen C/C++ für Online-Schätzalgorithmen erstellen, um sie auf Embedded-Geräten zu implementieren.

Erste Schritte mit der System Identification Toolbox

Lernen Sie die Grundlagen von System Identification Toolbox

Datenvorbereitung

Plotten, Analysieren, Trendbereinigen und Filtern von Zeit- und Frequenzdomänendaten, Generieren und Importieren von Daten

Identifikation linearer Modelle

Identifizieren von Impulsantwort- und Frequenzgangmodellen sowie parametrischen Modellen wie linearen Zustandsraum- und Transferfunktionsmodellen

Identifikation nicht linearer Modelle

Identifizieren nicht linearer ARX-, Hammerstein-Wiener-, Grey-Box und neuronaler Zustandsraummodelle

Grey-Box-Modellschätzung

Schätzen von Koeffizienten linearer und nichtlinearer Differenzial-, Differenz- und Zustandsraumgleichungen

Modellvalidierung

Vergleichen von Modellen mit gemessenem Ausgang, Residuenanalyse, Antwortdiagramme mit Konfidenzgrenzen

Modellanalyse

Diskretisieren von Modellen, Konvertieren von Modellen in andere Typen, Linearisieren nicht linearer Modelle, Simulieren und Prognostizieren der Ausgabe

Zeitreihenanalyse

Analysieren von Zeitreihendaten durch Identifizierung linearer und nichtlinearer Modelle wie AR-, ARMA-, Zustandsraum- und Grey-Box-Modellen, Durchführen von Spektralanalysen und Prognostizieren von Modellausgängen

Online-Schätzung

Schätzen von Modellparametern und Zuständen während dem Systembetrieb, Codegenerierung und Bereitstellung für eingebettete Ziele